11月7日，清流学苑第一期直播分享活动正式上线，本次直播，我们邀请了氪信首席产品官杨玢玢为大家做分享，主题为“抢登诺亚舟，拒做接盘侠——AI打造弱数据的强风控”，截止到目前，已有2900多人参与收听。
在长达1小时40分钟的分享过程中，杨老师用多个案例详细讲解了基于机器学习自动化风控体系的搭建过程、以及基于全域金融知识图谱的网络反欺诈分析技巧等。
清流学苑第一期直播《AI打造弱数据的强风控》要点回顾：
国内的消费金融和消费信贷现在拥有很大市场，传统的金融机构存在大量没有服务到的中间、前端的人群，这部分人的金融需求又切实存在，所以决定了消费金融在未来的市场和潜力是巨大的，发展还会非常迅速。
在市场空间比较大的情况下，反观现在的数据体系或信用体系，央行征信强金融的数据覆盖度较低，但由于互联网移动时代存在的大量弱数据，比如说移动行为数据、手机设备等数据。
弱数据在爆发式的增长中存在的问题是，在现有的数据情况下，如何能够稳健的开展金融信贷业务。
尽管现金贷在过去几年发展迅速，但放眼整个行业的风控较为粗放，过多地依赖规则的风控现象严重，此类做法的缺陷是安全度低，易被破解，随市场的监管发生变化的时候会面临很大的风险。
在这个过程中人工智能能够解决什么样的问题？技术领域经过互联网的发展，已经具备了充分的可行性条件，在过去十年处理能力大幅提升已经能让AI技术落地的前置条件得到完全的解决。
假设有大量的数据存在，各个维度的数据均存在，这种情况下如不借助机器的力量则很难处理，从前，大多是人力来处理这些信息，但需消耗大量的时间。
目前基于AI技术的风控解决方案与传统的基于规则和评分卡的信贷风控方法的主要不同点在于，一部分是数据层，另一部分是模型层。
数据层又可细分为两层，最底层是基于知识图谱来管理和存储信贷数据，优势在于一方面在业务应用和关联关系分析时符合业务灵活应用的需求，另一方面也有很好的扩展性。
数据的第二层位于金融图谱之上，提取风险和信用特征时除了基于大量行业内专家经验，还借助了机器力量，运用了大量机器深度学习技术，最大化挖掘弱数据的价值。
杨老师为大家展示了两个案例，一个是持牌机构的申请评分案例，业务场景是提供额度5000以下的信用贷，针对线上的流量，大部分是央行征信没有覆盖的白户人群，通过处理运营商数据、互联网行为数据等弱数据，氪信为客户输出了申请评分。
案例二是一家传统大型银行的反欺诈案例，针对线上信用卡申请的场景，需要处理：申请数据、银行征信、银行内零售数据、运营商数据和一些外部数据。
传统反欺诈的操作方法，一般是通过个体信息交叉验证不匹配去识别信息造假等欺诈情形，这种方法有两种缺陷：一是一旦申请个人数据看起来干净健康，往往会甄别失效，二是没有办法及时有效的发现群体性的攻击。
基于网络的反欺诈便可解决这两个问题，该理论与传统的反欺诈方法区别在于，该模式抛开个体独立性假设，将人放在大的网络中，网络的关系越强，对于个体的甄别帮助越大。
案例二的建模基于网络的数据本身并没涉及到外围数据或核心金融数据，就基于网络的数据本身做到两个客群，一个是线上的客群，另一个是线下的客群，两个客群KS均达到0.45+，在外推的数据集性能上也能保持稳定。
随后，杨老师为大家系统揭示了两个案例背后，支撑AI驱动的信用贷/消费金融风控系统的构成，一是数据集成，二是AI模型框架，包括集成的算法等等。三是支持在线实时决策系统，能够形成线上实时风险判别服务，用于贷前、贷中、贷后的场景。
